【목적】 전통적인 회색늑대 최적화 알고리즘이 열병합 발전 시스템 부하 최적 분배에서 고차원, 비선형 강결합 특성에 직면할 때 지역 최적해에 빠지기 쉽고 수렴 속도가 느린 문제를 해결하기 위해 혼돈 계층 회색늑대 최적화(CML-GWO) 알고리즘을 제안하였다. 【방법】 혼돈 맵핑을 통해 초기 개체군을 균일하게 초기화하고, 계층 유도 메커니즘을 결합하여 전역 탐색과 국부 개발 능력의 균형을 맞춤; CEC2017 테스트 함수 집합을 통해 알고리즘 성능을 검증하고, 4대 발전기로 구성된 한 열병합 발전소를 연구 대상으로 설정, “최소 석탄 소비 - 최대 신재생 에너지 소화” 및 “최고 이익 - 최대 신재생 에너지 소화” 두 가지 다목적 시나리오와 “현실 제약” 및 “전 공장 부하 자유 분배” 두 가지 조절 모드를 검증함. 【결과】 CEC2017 테스트 함수 집합 검증 결과, CML-GWO 알고리즘이 복잡한 다봉 및 복합 함수 시나리오에서 강건성과 최적 탐색 정확도가 우수함; 현실 제약 시나리오에서 CML-GWO 알고리즘은 단일 시점 석탄 소비 평균이 GWO 알고리즘 대비 2t/h 이상 절감되고, 단일 시점 이익 평균이 14원 이상 증가하며, 신재생 에너지 소화량이 20MW 이상 증가하고, 부하 편차량이 안전 운전 요구 사항을 충족함; 전 공장 부하 자유 분배 시나리오에서 일일 석탄 절감량이 23.8톤에 달하거나 일일 이익 증가가 6,515원에 달하며, 신재생 에너지 소화량이 0.74%~0.85% 향상됨. 【결론】 CML-GWO 알고리즘은 전통 알고리즘의 핵심 결함을 효과적으로 개선하여 열병합 발전 시스템의 경제성, 에너지 및 환경 효율성 다목적 협동 최적화를 실현하였으며, 뛰어난 공학적 실용 가치를 지님.

열병합; 부하 최적 분배; 혼돈 계층 회색늑대 최적화 알고리즘; 혼돈 맵핑 초기화; 계층 유도 메커니즘